全局优化的一类新的 F-C 函数

针对求解全局优化问题,有很多种求解方法.文中提出了一种快速求解一般无约束最优化问题的辅助函数方法,即 F-C 函数方法.该方法与填充函数法和跨越函数法相比较,既有相同点又有不同点. F-C 函数法最大的优点就是在极小化 F-C 函数阶段中只需要进行一次局部极小化算法就能得到比当前极小值更低的目标函数局部极小点.文中在无Lipschitz 连续的条件下,给出了一类新的求解全局优化问题的 F-C 函数.文中讨论了该 F-C 函数的优良性质并对该函数设计了相应的算法.最后,通过数值试验表明该 F-C 函数方法具有有效性和可行性     

一类求解全局优化问题的F—C函数法

填充函数法和跨越函数法是两种求解多变量、多极值函数全局最优化的有效方法,这些方法的关键是构造填充函数或者跨越函数.为此结合全局优化问题的填充函数法和跨越函数法,考虑优化问题minf(x),针对f(x)为无Lipschitz连续函数,定义了一个求解全局优化问题的F-C函数.基于这个定义,提出了一类无参数的F-C函数.研究了所构造F-C函数的理论性质,并按照其理论性质提出了一个求解无约束优化问题的F-C函数算法.数值实验表明,所给的方法是有效的.     

一类求全局最小点的填充函数及其算法

填充函数法是求解全局最优化问题的一种重要的方法,其关键之一在于构造一类性质良好的填充函数.文中基于填充函数的严格定义,针对全局优化问题(P0):min x∈R n f(x),在目标函数 f(x)满足一定条件的基础上,提出了一类求其全局最小解的填充函数,并在适当的假设条件下,研究证明了该函数的填充性质和其他的分析性质,并按照这些相关性质设计了相应的填充函数算法.该函数形式简单,便于计算.最后,还进行了数值试验测试,结果表明,该函数是可行的,算法是有效的     

一类求多变量函数所有局部极小点的算法

为求出具有箱式约束的非线性全局优化问题所有的局部极小点,提出了一种基于Multistart 方法的新算法.结合目标函数在可行域内的总变差、下降率和凹凸性等信息,构造了一个刻划局部极小点分布的G-度量.将可行域剖分为若干个小区域,把初始点按G-度量值的比例分配在每块区域上,使得局部极小点密集的区域能够被分配较多的初始点进行搜索;给出了有效初始点的判断条件为了进一步减少局部优化算法的运行次数.针对G-度量计算量较大的问题,设计了相应的近似计算方法,降低了计算量.选择了4 个2 维~10 维具有大量局部极小点的测试函数进行求解,与Multisatart 和Minfinder 算法的实验结果进行对比,表明了该方法在收敛速度和搜索全部局部极小点上都有了较大的改进和提高.     

用于一类函数全局优化问题的混合遗传算法

为了克服传统遗传算法收敛速度缓慢且易于收敛到局部最优解的缺点,该文将遗传算法与传统的局部搜索方法相结合,采用新的交叉变异准则,提出一种新型的混合遗传算法。该算法可以很好地处理一类带上下界约束的全局优化问题,具有很强的全局寻优能力。数值实验表明,该算法的计算结果明显优于传统遗传算法。     

一类新的寻求全局最优解的填充函数

填充函数法是一种求解多变量、多极值函数全局最优化的有效方法,该方法最早由葛入溥在文献[1]中提出,这种方法的关键是构造填充函数.文中在无Lipschitz连续条件下,考虑用单参数填充函数求解无约束全局优化问题,给出了一类新的形式简单的单参数填充函数.容易证明该填充函数在参数充分小时就能保持其填充性质.根据这个填充函数还提出了一个求解无约束优化问题的填充函数算法,通过一些检验函数的数值运算结果验证了算法的可行性和有效性.     

用于全局优化的一种新填充函数

填充函数法是一种寻求多变量、多峰值函数的总体最优的优化方法。鉴于提出过的填充函数,给出了一种形式简单的单参填充函数,计算中无需考虑函数出现不连续点的情况,且函数不受指数项影响。对一些标准函数的仿真结果比较表明构造的填充函数是有效的。     

一个基于分枝搜索的函数全局优化方法

本文给出了算法性能的一种度量，并且提出了一种全局优化算法策略，其基本框架（分枝随机搜索）类似于二分搜索，即将搜索区域划分成等测试的两个子区间（也可以多个），通过采样确定最有可能包含全局最优点的子区间，将其保留；去掉另一半，在剩下的区间重复这一过程。尽管这种算法其简单性几近随机算法和络点法，但理论分析和实验结果表明，其效率却高得多。     

一种快速逃离局部极小点的BP算法

针对反向传播(BP)算法容易陷入局部极小点的问题,提出了一种改进价值函数,使其快速收敛到全局最小点的方法。对扩展的异或问题正弦函数模拟进行了仿真实验,结果对比表明,改进的BP算法能快速逃离局部极小点,收敛到全局最小点,达到了期望的效果。     

应用罚函数求解二层线性优化问题的全局优化方法

应用罚函数原理，将二层线性优化问题转化为目标函数带有罚函数子项的非线性优化问题，当罚系数大于某一数值时，库函数项为一精确项，该非线性优化问题用渐的进外逼近算法可求出其全局最优解。     

约束非线性规划问题的辅助函数算法

研究有不等式约束的非线性规划问题,构造了一种新的两阶段算法:(1)利用传统优化方法求出原问题的一个局部极小点x*;(2)基于当前局部极小点和“准”罚函数的思想构造了一个辅助函数,该辅助函数连续可微、有界并且是凸的,该函数的局部极小点y*很容易求得,并且y*位于比x*更低的盆域中,从而y*可以作为第一阶段中的初始点,从而找到另一个更好的局部极小点.两个阶段不断循环,只要原问题具有有限个局部极小点,就可以找到它的全局极小点.为了测试算法的性能,对几个测试问题进行了求解.结果表明算法有效的,可以快捷的跳出局部极小点达到全局极小点.     

球隙迁移算法实现全局优化

给出一种新的优化算法:球隙迁移法.该方法不是已有方法的融合或改进,它利用搜索过程中积累的极小点分布信息形成球隙,以此启发、指导后来的搜索区域,不但逃离了当前局部极小,还能有效地避免重复历史上的多个局部极小.目前的智能算法中,勘探和开采行为相耦合,球隙法实现了勘探与开采的分离,避免了相互干扰,减小了代价,对变量耦合对象的优化效果好.文中证明了球隙法能在有限计算次数内确定地找到连续函数的全局最优.     

求解无约束全局优化的改进的单填充函数法

填充函数法是一种求解多变量、多极值函数全局最优化的有效方法,这种方法的关键是构造填充函数。为此文中根据文献[1]的思想,考虑优化问题minf（x）x∈R^n,针对f（x）为局部Lipschirz连续函数,构造了一种简单的单填充函数,容易证明相对于传统的填充函数,该填充函数在参数较小时就能保持其填充性质,且全局收敛速度快。根据这个填充函数还提出了一个求解无约束优化问题的填充函数算法,对4个基准测试函数的数值试验表明该方法是有效的。     

一种新的全局优化演化算法

演化算法在求解大型复杂多极值问题的过程中经常容易陷入局部最优,该文提出了一种变换目标函数法来消除早熟收敛。当演化算法检测出局部最优点时,使用填充函数构造变换目标函数,将局部极小点及其邻域提升,保留整体最小值点。从而新方法具有消除局部最优点而保留整体最优点的功能。通过对复杂的无约束优化问题和有约束优化问题的实验,结果显示了新方法具有搜索全局最优解的良好性能。     

从局部极小到全局最优

所有控制决策问题本质上均可归结为优化问题,但大部分存在多极小,因此如何摆脱局部极小以实现全局最优一直是理论界和工程界关注的热点课题。文章总结了若干全局优化技术的机制和特点,包括模拟退火、进化计算、禁忌搜索、变邻域搜索、噪声方法、巢分区、混沌搜索、隧道方法、平滑技术、混合算法等,力求为优化研究人员了解全局优化技术和开发高效算法提供指导。     

关于牙科学中的一类最优化问题的解

针对求解过程中遇到的非线性方程组以及强烈依赖于初始值的局部解,提出用线性方程组来代替非线性方程组,然后通过矩阵代数运算找到最优化问题的拟整体解,理论和数值实验结果令人满意。     

连续可微函数全局优化的混合遗传算法

通过在遗传算法（ＧＡ）中定义最速下降（ＳＤ）算子、适应度和结构，从而得到结构ＧＡ和ＳＤ法长处，既有较快收敛性，又能以较大概率求得连续可微函数全局极值的混合遗传算法。数值结果表明该方法优于ＧＡ和ＳＤ法。     

基于黄金分割的全局最优化方法

提出了求无约束问题全局最优解的一种直接解法。该方法将经典的0.618由一维推广到了二维,将原算法的适用范围由单峰函数推广到了多峰函数,从而可以求全局最优解,该算法具有结构简单、精度高、对计算机硬件要求低等优点。此外,给出了收敛性证明。仿真结果表明算法是有效的。     

求解全局优化问题的混合智能算法

把序列二次规划作为遗传算法的一个局部搜索算子,嵌入到实数编码遗传算法中,构成一种基于序列二次规划和实数编码遗传算法的高效的混合智能算法。该方法充分利用序列二次规划法的强局部搜索能力和遗传算法的全局收敛性,使得混合算法的全局收敛性得到改善并且减少了计算量。数值实验结果表明,混合算法是高效可靠的。     

模拟退火算法在全局查询优化中的应用

在分布式环境下,全局查询的代价函数空间形状包含了很多局部最小状态,需要多次局部最优化才可以找到全局最小状态。模拟退火算法是目前发展较快的智能优化算法,是一种以概率l收敛于全局最优解的全局优化算法。文中讨论了全局查询优化的过程以及模拟退火算法在全局查询优化中的应用,并对算法进行了一些改进。